mcp-builder — independently scanned and version-tracked by SaferSkills.
SaferSkills independently audited mcp-builder (Agent Skill) and scored it 96/100 (green). The audit ran 55 deterministic rules across Security, Supply Chain, Maintenance, Transparency, and Community; it found 0 high-severity and 1 lower-severity findings. The full rule-by-rule trace and per-finding evidence are below. Free, methodology-open.
Findings & checks · 1 flagged
The text {match} tells the agent to skip the normal "ask the user first" gate. Used adversarially it removes the human-in-the-loop check before destructive or sensitive actions, turning a normally-gated agent into a fire-and-forget executor.
Every scanned point with the score it earned and what moved between them.
First recorded scan — no prior version to compare against.
The primary manifest — the file an agent reads to learn what this artifact does.
使用此技能创建高质量的 MCP（模型上下文协议）服务器，使 LLM 能够有效地与外部服务交互。MCP 服务器提供工具，允许 LLM 访问外部服务和 API。MCP 服务器的质量取决于它如何有效地使 LLM 能够使用提供的工具完成实际任务。
创建高质量的 MCP 服务器涉及四个主要阶段：
#### 1.1 理解以代理为中心的设计原则
在深入实现之前，通过查看这些原则来理解如何为 AI 代理设计工具：
为工作流程构建，而不仅仅是 API 端点：
schedule_event 既检查可用性又创建事件）针对有限上下文进行优化：
设计可操作的错误消息：
遵循自然的任务细分：
使用评估驱动开发：
#### 1.3 学习 MCP 协议文档
获取最新的 MCP 协议文档：
使用 WebFetch 加载：https://modelcontextprotocol.io/llms-full.txt
此综合文档包含完整的 MCP 规范和指南。
#### 1.4 学习框架文档
加载并阅读以下参考文件：
对于 Python 实现，还需加载：
https://raw.githubusercontent.com/modelcontextprotocol/python-sdk/main/README.md对于 Node/TypeScript 实现，还需加载：
https://raw.githubusercontent.com/modelcontextprotocol/typescript-sdk/main/README.md#### 1.5 详尽研究 API 文档
要集成服务，请阅读所有可用的 API 文档：
要收集全面的信息，请根据需要使用网络搜索和 WebFetch 工具。
#### 1.6 创建全面的实施计划
根据研究，创建包含以下内容的详细计划：
工具选择：
共享工具和助手：
输入/输出设计：
错误处理策略：
现在已经有了一个全面的计划，开始按照特定语言的最佳实践进行实现。
#### 2.1 设置项目结构
对于 Python：
.py 文件或组织成模块（如果复杂）（参见 🐍 Python 指南）对于 Node/TypeScript：
package.json 和 tsconfig.json#### 2.2 首先实现核心基础设施
要开始实现，在实现工具之前创建共享工具：
#### 2.3 系统地实现工具
对于计划中的每个工具：
定义输入模式：
编写全面的文档字符串/描述：
实现工具逻辑：
添加工具注释：
readOnlyHint: true（用于只读操作）destructiveHint: false（用于非破坏性操作）idempotentHint: true（如果重复调用具有相同效果）openWorldHint: true（如果与外部系统交互）#### 2.4 遵循特定语言的最佳实践
此时，加载适当的语言指南：
对于 Python：加载 [🐍 Python 实现指南](./reference/python_mcp_server.md) 并确保以下内容：
model_config对于 Node/TypeScript：加载 [⚡ TypeScript 实现指南](./reference/node_mcp_server.md) 并确保以下内容：
server.registerTool.strict()any 类型 - 使用适当的类型npm run build）初步实现后：
#### 3.1 代码质量审查
为确保质量，审查代码的以下方面：
#### 3.2 测试和构建
重要： MCP 服务器是长期运行的进程，通过 stdio/stdin 或 sse/http 等待请求。直接在主进程中运行它们（例如 python server.py 或 node dist/index.js）会导致进程无限期挂起。
安全测试服务器的方法：
timeout 5s python server.py对于 Python：
python -m py_compile your_server.py对于 Node/TypeScript：
npm run build 并确保它无错误完成#### 3.3 使用质量检查清单
要验证实现质量，从特定语言指南加载适当的检查清单：
实现 MCP 服务器后，创建全面的评估来测试其有效性。
加载 [✅ 评估指南](./reference/evaluation.md) 以获取完整的评估指南。
#### 4.1 理解评估目的
评估测试 LLM 是否可以有效地使用 MCP 服务器来回答现实的复杂问题。
#### 4.2 创建 10 个评估问题
要创建有效的评估，请遵循评估指南中概述的流程：
#### 4.3 评估要求
每个问题必须是：
#### 4.4 输出格式
创建具有以下结构的 XML 文件：
<evaluation>
<qa_pair>
<question>查找关于带有动物代号名称的 AI 模型发布的讨论。一个模型需要一个使用 ASL-X 格式的特定安全标识。名为斑点野猫的模型确定的数字 X 是多少？</question>
<answer>3</answer>
</qa_pair>
<!-- 更多 qa_pairs... -->
</evaluation>在开发过程中根据需要加载这些资源：
https://modelcontextprotocol.io/llms-full.txt 获取 - 完整的 MCP 规范https://raw.githubusercontent.com/modelcontextprotocol/python-sdk/main/README.md 获取https://raw.githubusercontent.com/modelcontextprotocol/typescript-sdk/main/README.md 获取@mcp.tool 的工具注册server.registerTool 的工具注册~30 seconds. Free. No account. Every finding cites a rule and a line of evidence.